集成液体处理机器人、浊度测量与机器学习的低临界溶解温度聚合物配方逆向设计平台

《Advanced Intelligent Systems》:Integration of Liquid Handling Robotics, Turbidimetry, and Machine Learning Toward Inverse Design of Lower Critical Solution Temperature Polymer Formulations

【字体: 大 中 小 】 时间:2026年09月28日 来源:Advanced Intelligent Systems 6.7

编辑推荐:

  专业术语翻译:精密调控聚合物配方中的物理性质(如低临界溶解温度(LCST)行为)对刺激响应材料设计至关重要,但通常受限于低通量的浊点(Tcp)测定。为解决这一问题,研究人员开发了一种高通量(HTP)实验平台,在统一的Python框架下集成自动化液体处理、平行浊

  
专业术语翻译:精密调控聚合物配方中的物理性质(如低临界溶解温度(LCST)行为)对刺激响应材料设计至关重要,但通常受限于低通量的浊点(Tcp)测定。为解决这一问题,研究人员开发了一种高通量(HTP)实验平台,在统一的Python框架下集成自动化液体处理、平行浊度测量和机器学习(ML)。通过使用与SPECTROstar Nano酶标仪联用的OT-2液体处理机器人,研究人员实现了基于实验设计的高维配方自动化采样,配方由机器人制备,并通过HTP浊度法测定聚(N-异丙基丙烯酰胺-co-甲基丙烯酸二甲氨基乙酯)(P(NIPAM-co-DMAEMA))共聚物的聚合物浊点(Tcp)。该方法克服了传统方法中单变量解析的局限,能够同时绘制聚合物、NaCl和NaOH浓度范围内的Tcp图谱,实现平均每样品8分钟的测量通量。该工作流程可在数天内生成包含数百条配方–Tcp关系的高保真数据集。基于这些数据训练的监督式ML模型达到了高预测精度(R2最高达0.96;均方误差低至0.023 °C2),Shapley加法解释(SHAP)分析阐明了特征贡献。Tcp分布分析确定聚合物浓度是Tcp方差的主要驱动因素,尤其是在亲水区域。利用ML,研究人员展示了配方的逆向设计,即可预测达到目标相变温度且误差小于1%的配方组成。通过将自动化配方、HTP浊点测量和ML整合于同一工作流程,该平台解决了目前限制数据驱动LCST设计的聚合物合成通量与物理性质表征通量之间的不对称问题。
论文解读文章:

一、研究背景与问题

设计具有定制物理性质的聚合物材料是材料科学的核心挑战。尽管可逆加成-断裂链转移(RAFT)和原子转移自由基聚合等现代受控聚合方法能够精确控制单体序列、摩尔质量、端基保真度和拓扑结构,但将这种合成精度转化为可预测的材料宏观性能仍然困难。与小分子不同,聚合物是随机、非离散的实体,其组合性能空间巨大,结构复杂性使结构-性能关系的理论预测和经验归纳均受到限制。热响应行为是此类难以预测但应用价值极高的聚合物性质之一。许多聚合物表现出低临界溶解温度(LCST),即加热时聚合物溶液发生相分离而变浑浊的温度,通常以浊点(Tcp)表征。Tcp对聚合物微结构、组成、拓扑结构以及pH和离子强度等溶液条件高度敏感,从第一性原理预测Tcp极为困难。传统实验方法依赖人工试错式的“合成-配方-表征”循环,单样品浊度测量往往需要数小时,数据产出低且缺乏标准化元数据。机器学习(ML)为高效探索聚合物设计空间提供了可能,但聚合物数据集通常规模小、碎片化、异质且不完整,导致模型预测误差大(如玻璃化转变温度预测误差超过30 K)。此外,人工分析难以从高维、非线性的多维数据中提取可靠的定量构效关系,人类对特征重要性的估计与经过验证的ML模型相比可偏差高达30%。更重要的是,高通量合成能力已远超物理性质表征能力,造成“合成-表征”通量不对称,严重阻碍了数据驱动的聚合物设计。因此,亟需开发集自动化配方、高通量表征和ML建模于一体的集成平台,以生成全面捕获配方、组成和测量来源的高质量数据集。

二、研究内容与总体结论

研究人员开发了一个开源、批处理模式的自动化平台,将OT-2液体处理机器人(Opentrons)与SPECTROstar Nano酶标仪(BMG LABTECH)物理集成,在统一Python框架下实现了实验设计(DoE)、机器人配方制备、原位浊度测量、数据处理和ML建模的全流程自动化。以聚(N-异丙基丙烯酰胺-co-甲基丙烯酸二甲氨基乙酯)(NIPAM-co-DMAEMA)共聚物为模型体系,研究人员系统研究了聚合物浓度、NaCl浓度和NaOH浓度(对应pH约8.8–10.1)对Tcp的联合影响。该平台实现了96孔板内同时映射三个配方变量,平均每样品测定仅需8分钟,而传统比色皿法每样品需5–10小时。生成的密集数据集支撑了高精度ML预测(R2最高0.96,MSE低至0.023 °C2),并通过SHAP分析揭示了特征贡献的动态变化。研究人员进一步展示了逆向设计能力:通过反演ML模型预测达到目标Tcp所需的配方组成,实验验证误差小于1%。该工作将配方制备通量直接转化为可重复的性能数据和有效预测,弥补了物理性质表征与合成通量之间的不对称,为数据驱动的LCST聚合物设计提供了完整闭环平台。

三、主要技术方法

研究人员采用集成多种关键技术方法的高通量平台:(1)使用OT-2液体处理机器人结合自定义Python控制框架,实现纳升至微升级多组分溶液的精确自动分配,并通过拉丁超立方采样DoE高效覆盖高维配方空间;(2)利用SPECTROstar Nano酶标仪进行平行浊度测量,在25–45 °C范围内以0.1 °C/min的升温速率监测600 nm透光率,通过自动拟合S形曲线并取拐点确定Tcp;(3)采用多层感知机(MLP)神经网络回归模型,以80:20训练/测试划分和五折交叉验证进行超参数优化,用于预测Tcp;(4)使用置换重要性(PI)和Shapley加法解释(SHAP)解析模型特征贡献;(5)逆向设计采用暴力扫描浓度空间反演训练好的ML模型,得到目标Tcp对应的最优配方。样本队列包括五种不同DMAEMA摩尔分数(0%、2%、5%、10%、15%)的NIPAM-co-DMAEMA共聚物及一个独立合成的RAFT聚NIPAM均聚物,所有聚合物通过自由基聚合制备,摩尔质量由尺寸排阻色谱(SEC)表征。

四、研究结果

2.1 自动化平台架构与验证:研究人员将OT-2与SPECTROstar Nano物理集成,通过绕过厂商软件、使用Python后端实现程序化控制,每个96孔板扫描可产生约75 000个吸光度数据点。使用12个重复的PNIPAM均聚物溶液(Mw = 1.83 × 105 g mol?1,10 mg mL?1,300 μL)验证平台,全自动运行13小时,测得平均Tcp为35.6 °C,与文献值34.6 °C偏差3%,相对标准偏差(%RSD)为0.5%,优于此前高通量方法报道的1.6%,精度提升最高达三倍。

2.2 高通量LCST测定:针对NIPAM-co-DMAEMA共聚物系列,平台在聚合物浓度0.67–8.67 mg mL?1、NaCl浓度6.67 × 10?5–8.67 × 10?4 mg mL?1、NaOH浓度6.67 × 10?6–8.67 × 10?5 mg mL?1范围内进行DoE采样,每个样品约8分钟,在5天内完成从配方到可视化的全流程,而手工方法预计需29–136天。

2.3 NIPAM/DMAEMA共聚物的高通量筛选:

2.3.1 共聚物组成对LCST的影响:通过96孔板热图和箱线图,研究人员发现随DMAEMA含量从0%增至15%,平均Tcp()从36.1 °C升至41.4 °C,平均每摩尔百分比增加0.35 °C,符合Flory–Huggins理论预期,即亲水共聚单体增加了聚合物-溶剂相互作用,使相分离需要更高温度。同时,Tcp方差(σ2)从0.5 °C2增至4.5 °C2,表明亲水性增加使Tcp对配方变化更敏感,组成异质性成为Tcp分布离散度的主导因素。

2.4 预测建模与定向设计:

2.4.1 ML模型开发:MLP模型在测试集上对NIPAM-co-DMAEMA-2数据集达到R2 = 0.961、MSE = 0.047 °C2,整个系列R2普遍高于0.88,MSE大多在0.02–0.30 °C2之间,相比文献中支持向量回归的RMSE最高3.0 °C,预测精度提高达两个数量级。模型性能随DMAEMA含量增加略有下降,最高MSE出现在高分散性的NIPAM-co-DMAEMA-10(MSE = 1.14 °C2),表明组分浓度在结构复杂体系中作为预测变量的充分性降低。

2.4.2 特征重要性与物理解释:PI和SHAP分析显示,随DMAEMA含量增加,聚合物浓度的重要性显著增强。在NIPAM-co-DMAEMA-15中,聚合物浓度的最大绝对SHAP值为3.32,较均聚物系统增加146%,而NaCl影响基本不变。这一结果与“盐和碱通过去质子化和Hofmeister效应强烈抑制Tcp”的初始假设相反,原因是所用NaOH(10?4 M)和NaCl(10?2 M)浓度较低,Henderson–Hasselbalch方程预测DMAEMA胺基仅电离3%–29%,不足以引发显著疏水塌缩。

2.4.3 逆向设计:利用独立合成的RAFT PNIPAM均聚物(Mn = 8100 g mol?1,Mw = 8800 g mol?1)训练MLP模型,固定NaCl和NaOH于生理相关浓度,通过逆推优化聚合物浓度,实现了两个目标Tcp(32.5 °C和30.0 °C)的配方预测。机器人自动制备预测配方并测量,观测Tcp分别为32.8 ± 0.1 °C和29.8 ± 0.1 °C,相对误差均小于1%,三重复%RSD为0.2%,验证了逆向设计及整个“配方-测量-验证”流程的高度可重复性。

五、讨论与结论

讨论部分指出,现有自动化聚合物平台擅长合成和化学表征,但物理性质测试仍需大量人工干预、时间尺度更慢,构成闭环实验的主要瓶颈。本工作通过将自动化配方、即时机器可读的表征、ML建模和逆向设计统一在同一工作流中,将制备通量直接转化为可重复的性能数据和有效预测,建立了组成控制与定量表征共享相同来源的对称数据管道。未来研究可扩展该架构以直接连接聚合物高通量合成和互补化学表征,并在主动学习循环中实现自适应、多变量的规模化材料设计。研究结论强调,本平台成功展示了物理性质侧(包括设计、配方、测量和模型友好数据生成)能够以相当的吞吐量集成,为靶向筛选和材料设计提供了实用工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号